基于主成分分析和谱聚类的短期风功率预测

风电场的大规模建设使得风电渗透率大大提高,为保证系统的安全稳定运行及风电消纳,需要对风电功率进行预测。为解决传统预测方法中数据维度过高的问题,提出一种基于主成分分析和谱聚类进行数据降维的预测方法。首先,基于主成分分析提取风电场各机组功率序列的主成分,实现对功率样本信息和预测对象的降维;其次,考虑风速波动特性和各机组的空间分布特征,对风速信息进行谱聚类,以实现样本数据的进一步降维;然后,基于风功率主成分信息与风速聚类结果,建立基于Elman神经网络的风电功率主成分预测模型,并通过逆变换最终得到风电场各机组功率的预测结果。利用江苏南通某海上风电场实际数据验证该方法,结果表明,预测结果的均方根误差明显降低,所提方法可以提高风电功率预测精度。     

基于输出功率特性的风电机组状态监测

基于SCADA系统中风速、变桨角度、风向角与机舱角偏差、发电机输出有功功率等运行数据,采用改进BP神经网络建立风电机组输出有功功率模型,根据发电机输出功率特性对风电机组进行状态监测。风电机组正常运行时,改进BP神经网络模型的预测输出功率与正常的功率输出之间的残差较小;当模型的预测输出功率与正常的功率输出之间的残差超出残差阈值时,则认为风电机组出现了故障。本文对某风电场真实桨叶断裂故障进行了仿真验证。     

基于动态神经网络的风电场输出功率预测

随着风电的大规模发展,准确预测风电场输出功率对于风电场的选址、大规模并网及运行具有重要的作用。文中提出了局部反馈时延神经网络和全局反馈时延神经网络2种动态神经网络预测模型,以适应风功率的时间序列特性,并与静态神经网络预测模型进行了比较。以国内北方某风电场的风功率预测为例,结合气象预报数据进行提前24h的风电输出功率预测,仿真结果表明,动态神经网络在预测具有时间序列特性的风功率时效果优于静态神经网络。     

考虑风向和大气稳定度的海上风电功率短期预测

对于海上风电功率的预测,传统预测模型未计及因风向与大气条件改变引起的输出功率差异。为了提升预测精度,在考虑大气稳定度的同时,根据风向与功率损失构建出功率风向(power-direction,Pd)模型,并在此基础上提出基于编码–解码(Encoder-decoder)框架的海上风电功率预测方法。该方法可根据Pd模型更新尾流效应损失,并有效平抑预测功率波动,区分不同大气层结稳定度下的尾流效应。首先,通过长短期记忆神经网络(long-short term memory,LSTM)等预测模型验证大气稳定度及Pd模型的有效性,然后使用Encoder-decoder对实际海上风电场进行风电功率预测。实验结果表明,考虑大气稳定度并使用Pd模型的Encoder-decoder方法,其均方根误差较单一Encoder-decoder预测方法降低了2.39%。     

考虑多信息融合的风电机组状态评估与预测系统开发

为降低风电机组故障发生概率,提高其可靠性,该文利用数据采集与监控系统（supervisory control and data acquisition,SCADA）检测获得的风电机组运行状态数据,通过研究多指标融合状态评价模型及其预测算法,解决风电机组状态参数评估与预测难题。结合SCADA系统结构,设计并规划风电机组状态参数评估与预测系统架构与功能;利用输出功率波动、风能利用率以及开机运行比率3项参数,基于阈值法,建立风电机组状态退化评价指标模型,通过主成分分析法对3个评估标准进行权重计算,并将各指标进行信息融合,综合反应风电机组运行状态;设计Convolutional Neural Network-Long Short-Term Memory风电机组状态预测模型,实施风电场运行状态参数预测;开发风电机组状态评估与预测系统软件,验证所提方法的有效性。     

考虑尾流效应的分布式海上风电制氢集群容量优化配置

离岸海上风电制氢是中远海风力资源利用的重要方式,而分布式风电制氢机组由于无须集中汇流与大规模平台搭建,成为学界业界重点关注的技术路线。然而,受风场尾流效应影响,分布式风电制氢集群不同机组之间的运行状态相互耦合,制氢能力存在差异。文中提出考虑尾流效应的分布式风电制氢容量优化模型,基于机组协同控制对电解池容量空间分布进行优化配置。算例选取中国江苏省海域实际风源数据进行研究。首先,考虑尾流效应的风电制氢机组的协同控制可有效提高约3.05%的年期望制氢量。进一步,相比于电解池容量空间均匀分布方案,文中所得出的边缘大、内部小的最优容量空间配置方案可降低海上风电制氢的平准化制氢成本,验证了所提优化模型的有效性。     

基于尾流效应的海上风电场有功出力优化

以海上风电场风速平稳和尾流效应影响距离远为背景,提出基于尾流效应的海上风电场有功出力优化方案,使风电场各机组有功出力之和大于传统单机最大风能捕获方案。挖掘风电机组有功出力和尾流效应的关系,给出基于有功控制的尾流定量调控方法,并建立了风电场有功出力优化模型;重点研究了基于现有计算资源实现控制策略的方法:根据尾流传播路径,对风电场进行分组,有效降低控制对象数;根据风电机组运行与有功控制特性,降低优化方程求解的搜索空间,抑制计算规模;通过数据拟合,降低优化变量数,将离散域优化问题转化为连续域优化问题,便于使用具有广泛公信力的优化算法。仿真结果表明,提出的方案能有效提升风电场功率,在不增加风电硬件设备投资的前提下,提高风电场效益。     

基于云分段最优熵算法的风电机组异常数据识别研究

风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。     

基于改进长期循环卷积神经网络的海上风电功率预测

准确的风电功率预测对海上风电安全并网具有重要意义。不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求。针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预测模型,用于超短期海上风电功率预测。首先,采用改进LRCN进行初步功率预测,即构建多卷积通道分别提取不同层次变量的时序特征,并通过具有前瞻性的改进Adam优化器提升网络收敛效果。其次,利用摇摆窗算法与波动特征聚类识别预测时段的出力波动类型。再次,针对不同的波动类型建立对应的误差修正模型,并输入经Xgboost算法筛选出的强相关特征因子,实现误差修正。最后,采用实际海上风电场数据进行实验,其结果表明所提方法能够有效预测超短期海上风电功率,且预测精度高于多种传统预测模型。     

风电功率状态的时域概率特性研究

随着大规模风电的并网,深入认识风电功率的随机特性将有利于更好地预测和利用风电。目前,对于风电功率波动特性的研究较多,对风电功率状态的时域概率特性的研究更侧重于对风电状态转移概率特性的描述。基于风电功率状态的定义,深入研究了风电功率状态持续时间的概率分布描述函数和状态转移概率矩阵。基于多座风电场/群的大量实测功率数据的研究发现:风电功率在某个特定状态可能持续几个小时甚至更长时间,逆高斯分布较适合用于描述风电功率状态持续时间的概率分布,可为系统运行调度风电提供参考信息;风电功率状态转移概率矩阵量化了风电场功率状态的跳变程度,风电功率状态的跳变呈现山脊特性。     

基于数据驱动的多风电机组协同控制方法

风机的尾流效应会严重降低风电场的发电效率,传统风电场能量管理方法未考虑尾流效应的影响,各风机均采用最大功率点跟踪MPPT(maximum power point tracking)控制方案,风电场整体输出功率并非最优。尾流耦合现象极其复杂,难以用解析模型描述,传统基于模型的控制思路难以适用。为此,提出一种基于数据驱动的多风电机组协同控制方法。基于风电场的历史运行数据,采用神经网络辨识多风电机组之间的尾流交互模型。进一步,在风电场层通过粒子群算法在线求解多风电机组协同控制功率优化指令;在机组层由各机组控制器实现指令跟踪,最终实现风电场整体发电功率的优化。仿真结果表明:基于数据驱动方法建立的尾流交互模型,其误差在1%之内;在此基础上,进行多机协同优化控制,相比传统未考虑尾流效应的单机MPPT控制,风电场平均输出功率得到提升,验证了所提控制方法的有效性。     

考虑时空分布特性的风速预测模型

随着风电并网规模日益增加,风电功率波动对电网的影响将更加显著。风速预测可以辅助电网制定调度和运行控制决策,合理应对风电功率波动,降低风电功率波动对电网安全稳定运行的影响。考虑风电机组的地理分布和风速的时间、空间分布特性,建立等效风速模型。由该模型建立上、下游风电机组的风速关联关系,修正下游风电机组的风速。在此基础上,提出一种基于修正系数的风速预测方法,以提高预测精度。以实际风电场地理数据和风电机组参数为基础的仿真算例验证了该方法的可行性和合理性。     

基于深度全连接神经网络的风机叶片结冰预测方法

我国北方地区风电机组叶片结冰问题,对机组正常安全运行会产生严重影响。为对风电机组叶片结冰状态进行有效预测,基于风场大数据,提出一种使用深度学习算法进行优化的深度全连接神经网络的风电机组叶片结冰预测算法。将处理后的数据集对深度全连接神经网络模型进行训练、测试、评价,最后将所得评价结果并与最近邻法(KNN)、支持向量机(SVM)、未使用深度学习优化算法的BP神经网络的预测结果进行对比。结果表明,所提出的基于深度全连接网络的风电机组叶片结冰预测算法,求取精度较高,计算量少,可以对风电机组叶片结冰预测问题进行快速有效判断。     

尾流效应对风电场输出功率的影响

研究了风电机组尾流效应对风电场输出功率的影响,提出了风电机组效率矩阵、风电机组的功率特性矩阵,以及等效输出功率特性等新的概念和相应的算法,从而建立了比较全面的风电场输出功率和风速的关系模型,为研究并网风电场运行和规划方面的有关问题奠定了基础。     

基于相空间重构的风电功率波动特性分析及其对预测误差影响EI北大核心CSCD

精确的风电功率预测是保证含大规模风电电力系统安全稳定运行的重要基础。为提高风电功率预测精度,已开展了诸多研究,新的预测方法不断涌现。但任何方法都无法保证无差预报,究其原因,风电功率的预测精度不但和预测方法有关,还与风电功率波动特性有关。该文阐述了评价风电功率波动特性的必要性;在相空间重构基础上,利用递归图和递归率对风电功率时间序列波动特性分别进行了定性和定量的刻画,以表征风电功率波动新模态产生的机率;分析了不同空间尺度下递归率的变化规律,建立了分析风电功率时间序列波动特性与预测误差关系的方法,最后给出了利用递归率为风电场管理机构确定切实可行且公平的预测精度考核指标提供依据的方法。文章算例说明了方法的有效性。     

基于扩展状态空间分割法的含风电场电力系统运行备用风险评估

风功率的随机波动特性要求电网合理安排运行备用容量。评估大规模风电接入后电力系统的运行备用风险成为合理安排电网运行备用需要解决的首要问题。提出了一种基于扩展状态空间分割法的含风电场的电力系统运行备用评估方法。该方法可以处理风机多状态模型,同时考虑了风机自身的随机停运和风速预测的不确定性,将全状态空间划分为2个区域,分别采用枚举法和模拟法对2个子空间的系统状态进行选择,从而实现快速精确的风险评估。对我国某实际区域电网的计算分析验证了该算法的正确性和有效性。     

降低海面覆冰载荷影响的近海固定式风电机组安全控制EI北大核心CSCD

海面覆冰载荷是寒冷地区海上风电设计和运营中需要考虑的重要因素。该文建立风扰动及海面覆冰扰动下海上风电机组的T-S模糊增量模型;采用分布补偿控制率,通过控制桨距角增量以达到保持风电机组功率稳定、降低海面覆冰载荷影响的控制目标,基于Lyapunov稳定性理论,利用线性矩阵不等式(linear matrix inequality,LMI)方法求解相关增益,完成模糊状态观测器及模糊状态反馈控制器的设计,设计过程中考虑H∞性能指标以减少风扰动及海面覆冰载荷扰动对系统的影响。仿真结果表明,所设计的模糊状态观测器能够准确跟踪机组运行状态;所设计的降载控制器可有效降低风扰动及海面覆冰扰动对系统动态性能的不利影响,使风电机组功率及塔顶位移保持在较为稳定的范围内。     

数据-知识驱动的变工况运行风电机组塔筒振动状态预测

为有效监测塔筒异常振动，保障机组运行安全，提出数据-知识驱动的基于长短时记忆（long-short term memory,LSTM）神经网络、经验模态分解（empirical mode decomposition,EMD）-极限梯度提升（e Xtreme gradient boosting,XGBoost）算法分步建模的变工况塔筒振动预测方法。首先，根据机组运行机理分析剥离出环境变量与运行变量之间的关系，并确定影响塔筒振动的风机SCADA运行参数；然后，基于LSTM神经网络实现机组环境风速和运行功率的超短期预测，根据全工况历史运行数据建立机组数据知识模型，实现由预测风速和功率查询桨距角和转子转速；最后，采用希尔伯特-黄算法（Hilbert-Huang transform,HHT）对振动信号分解并提取塔筒低频振动，构建基于XGBoost算法的塔筒振动预测模型，通过输入预测变量输出塔筒低频振动预测结果并确定预测区间。结果表明：塔筒振动预测模型能有效预测塔筒振动，判定塔筒的运行状况，保障机组平稳运行。     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。     

计及机组运行工况的风电场有功功率控制策略

为了减小大规模风电场并网对电网稳定运行带来的不利影响,风电场发电功率能按要求进行调节已经成为强制性要求.目前在风电场有功功率控制过程中,往往忽视了风电机组的具体工况,从而导致机组的频繁起/停.针对以上情况,提出了一种计及机组运行工况的风电场有功功率控制策略.该策略首先根据机组预测发电能力及机组运行工况分别生成有功增/减裕度队列和开/停机队列,然后利用有功功率分配算法将功率分配给风电场中的风电机组.实际风电场的试验结果表明,采用所提出的控制策略不仅可以实现风电场有功功率的快速、精确控制,而且能够避免风电机组频繁起/停,降低风电机组的故障率,提高风电机组运行的稳定性和安全性,延长风电机组的使用寿命.